-
自然资源冲击可以帮助研究低技能的男性如何应对劳动力市场条件的变化
在全球不平等日益加剧的背景下，了解对低技能工人的需求发生变化时会发生什么是很重要的。由于自然资源冲击在本质上是全球性的，但对资源开采领域的劳动力前景有高度本地化的影响，它们提供了一个独特的机会，以评估低技能男性在面对当地劳动力市场条件极端变化时的行为。这种情况可以用来评估广泛的结果，从教育和收入，婚姻和生育状况，到投票行为。
更多的较少的
-
开放科学可以提高研究的可信度，但前提是要有正确的激励机制
开放科学和研究透明度运动旨在使研究过程更加可见，并加强结果的可信度。开放研究实践的例子包括开放数据、预注册和复制。开放科学的支持者认为，公开数据和代码可以让研究人员评估声明的真实性，并提高其可信度。反对者经常反驳说，复制是昂贵的，开放科学的努力并不总是得到成果发表的回报。
更多的较少的
-
激励措施被认为是衡量个人风险偏好的黄金标准，但这是正确的吗?
风险厌恶是许多环境中的一个重要因素，包括关于投资或职业选择的个人决定，以及影响环境，工业或健康风险的政策的政策选择。风险偏好使用调查或激励的游戏进行测量，具有实际后果。审查衡量个人风险厌恶的不同方法表明，最好的方法将取决于所要求的问题和研究的目标人口。特别是，经济学家的励磁游戏的黄金标准可能在所有环境中可能不优于调查。
更多的较少的
-
对独立承包商的研究表明，工人的努力对工资激励的响应可能比之前认为的更大
经济政策中的一个基本问题是，劳动力供应如何对薪酬的变化作出反应。劳动力供给的反应性决定了累进所得税对就业的影响和效率损失的大小。它还会影响对从财政应对、商业周期到政府转移项目等政策影响的预测。独立承包商所从事的工作的特点为克服早期研究所面临的问题提供了机会，并有助于回答这个基本问题。
更多的较少的
-
新的数据来源带来的挑战可能需要新的技能
大数据是指规模更大、频率更高、往往更个性化的数据集。例子包括家庭智能传感器收集的数据或Twitter上的推文聚合。在小数据集中，传统的计量经济学方法往往优于更复杂的技术。然而，在大数据集中，机器学习方法大放异域。要想在经济学中充分利用大数据，需要新的分析方法。因此，研究人员和政策制定者如果想充分利用这些新的大数据来源，就应该密切关注机器学习技术的最新发展。
更多的较少的
-
衡量就业和失业的统计标准是否应该重新审查?
衡量就业和失业对经济政策至关重要。国际商定的措施(如基于标准定义的人数就业和失业率)增强了跨越时间和空间的可比性，但实际劳动力市场和政策议程的变化挑战了这些传统惯例。不同劳动力市场国家之间的界限变得模糊，使身份识别变得复杂。每个州的个人经历可能有很大的不同，这就突出了在统计指标中如何加权每个就业或失业人员的重要性。
更多的较少的
-
实验是金本位制还是炒作过度?
项目的非实验性评估将选择参加项目的个人与不参加项目的个人进行比较。这样的比较有将非随机选择与其因果效应混为一谈的风险。通过随机分配个人是否参与项目，实验评估消除了非随机选择的可能性，也消除了参与者和非参与者之间的偏见比较。在这样做的过程中，他们提供了程序效果的令人信服的因果证据。同时，实验不是万灵药，需要仔细的设计和解释。
更多的较少的
-
参考群体的选择在很大程度上决定了主观剥夺，进而影响劳动力市场行为
为什么不同的人口群体(如农村与城市、青年与老年人、男性与女性)对相同的客观劳动地位的感受会不同?一种假设是，人们更关心相对剥夺而不是客观剥夺，他们重视自己的地位相对于同伴的地位——参照组。在劳动力市场上检验这一假设的一种方法是，在控制定义人口群体的特征的同时，测量劳动状态的个体差异。这一指标被称为“相对劳动剥夺”，可以帮助政策制定者更好地理解劳动索赔是如何产生的。
更多的较少的
-
GDP只是一个国家状况的一个方面;除了GDP以外的其他指标也很有价值
国内生产总值(GDP)是经济健康状况的关键指标，可以很容易地在各国之间进行比较。但它也有局限性。GDP反映了当前的情况，但没有反映出增长的可持续性。它没有衡量幸福感，因此即使GDP在增长，居民也可能不满意。GDP不考虑环境因素，也不反映个人在有偿工作之外的行为。在军事冲突时期，在自然灾害或恐怖主义行动之后，由于财产损失不计算在内，这种损失可能会增加。因此，补充措施可能有助于显示一个经济体的更全面的情况。
更多的较少的
-
使用分解方法有助于衡量群体之间的经济歧视的数量和来源
男性和女性、白人和黑人工人，或任何两个不同群体之间的工资差异，是劳动力市场上一个有争议的特征，引起了人们对雇主歧视的担忧。分解方法将这些差异分为:(i)组成效应，由可观察变量(如教育水平)分布的差异来解释;(ii)结构效应，由可观察变量和不可观察变量的回报差异来解释。通常，重大的结构性影响，如教育回报的不同，可以表明歧视。
更多的较少的
